5.1.1 总体分类精度 .......................... 26
5.1.2 制图精度 .......................... 26
第五章 结果与分析
5.1 精度评价的方法
遥感影像数据分类后必不可少的一项工作就是进行精度分析。通过精度分析能确定分类模式的有效性，进而改进影像分类的方式、方法等，提高分类精度。
遥感数据的分类结果一般来说有两种主要的展示方式：一种是卫星遥感影像的目标作物分类图；另一种是区域内目标作物的面积统计数据。对于目标作物的分类图，主要从图上来了解影像中最小单位也就是像元的类型，因此，评价目标作物分类图质量最重要的指标很明显是类型精度；而主要关心计算出的数据与实际数据的接近程度。对于数据形式的分类结果，一般只分析分类的数量精度，而本研究需要在保证类型精度的基础上，去考虑数量精度。尽量使错分(把不属于大豆类的像元分到某类中)和漏分(把属于大豆类的像元分到其它类)的误差接近,以保证计算出的数据精度。评价精度的因子主要包括定量分类精度（Quantitative classification accuracy）、Kappa 系数、错分误差、漏分误差等。
定位精度、类型精度和数量精度三种类型是生成遥感数据分类结果后必须要考虑的问题。而定位精度的误差主要来自遥感数据本身，卫星遥感数据的几何误差以及与校正影像图之间的投影差异导致了定位精度，本研究已经进行了几何校正等对卫星遥感数据的预处理操作，产生定位精度的误差几乎可以忽略不计，所以本研究的精度评价主要是从分类结果的角度来探讨精度评价分析。利用分类结果图与标准数据也就是地面调查实测值及野外验证数据进行比较，利用正确分类的百分比数值来表示精度。
图 5-1 验证点局部示意图
.............................
第六章 结论
基于 sentinel 数据，利用非监督分类和目视解译相结合的方法，在种植结构相对简单的区域进行了大豆种植面积的提取，最终定量精度高达 98.789%，kappa 系数可达 0.942，说明实验结果与地面数据值的匹配度非常高，与单纯使用非监督分类结果数据相比较，其定量精度提高了 18.3%。可见，此研究可以很好保证大豆种植面积的提取精度。大豆面积高精度提取可以满足实际生产应用及数据在分析的可靠性。以黑龙江省大豆典型的种植区为研究区，对细小地物的剔除使得大豆的分类结果不致过于破碎、零散，能够很好的保持目标地物的完整特征。结合非监督分类和目视解译相结合的作物分类面积提取方法的研究，具有便捷、可靠、精度高的优势，在简单种植结构背景下为遥感监测农作物分类及面积提取方面提供了强有力的技术支持。还可将此研究方法运用到其他农作物的分类及面积提取的工作中，对农业遥感的应用和发展，为农业现代化、数字化发展提供了支撑。
参考文献（略）
